System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及统计学,具体涉及一种小麦均匀度的监测方法。
技术介绍
1、小麦是一种广泛种植和消费的重要作物,在全球范围内都有种植。长势均匀的小麦具有许多优势,例如更充分地利用光、肥、水等资源;增加光拦截,减少中下层的光漏失,增加消光系数;抑制杂草的生长等,所以长势均匀的作物具有高产和优势的潜力。因此,均匀度不仅可以作为筛选优良小麦品种的指标,还可以作为评估小麦长势的指标,帮助农民进行田间管理决策。
2、在20世纪20年代,gleason和svedburg是最早独立研究群落种群个体分布均匀度的学者。研究人员提出了许多均匀度指数来描述均匀度问题,这些指数可以分为三类。第一类是基于均值/方差的传统指标。svedburg通过将测得频率与possion分布的理论频率进行比较,使用方差和均值作为随机性的估计器来测试分布的均匀性,许多研究人员将这种方法作为测试种群均匀性分布的标准方法之一。此后,一些研究提出了许多用于均匀性测试的统计指标。lloyd提出了平均拥挤指数和集聚指数,可以用于测量聚集程度,客观反映模式的强度。david和moore构建了聚集度指数作为聚集程度的衡量。该指数的优点在于可以比较两个种群的聚集程度。morisita定义了离散度指数,该指数独立于方格中个体的均值和总数。近年来,还有一些研究基于变异系数(标准差与均值的比值)计算作物均匀度参数。然而,这些参数主要基于均值和方差计算,并且对样本的描述相似。第二类是基于距离的指标。clark和evans定义了非随机性度量:单位半径圆内的植物数量以及随机植物与其最近邻的距
3、过去,大部分关于均匀度的研究集中在生态群落上,对于田间作物的均匀度研究较少。现有的田间作物均匀度研究都是描述空间中个体分布的均匀度,而没有考虑个体生长的均匀度,比如对叶面积指数、叶绿素相对含量、冠层高度和植被覆盖度等参数的均匀度监测也具有重要意义。均匀度的研究可以对群体的水平结构进行定量描述,还可以用于揭示群体的动态变化。如果同时研究群体的某些生物指标(如叶绿素、叶面积指数)和环境因素的均匀度,将为我们提供关于群体与环境之间相互作用的大量信息,并解释个体群体分布格局的原因。
4、人工统计作物均匀度的统计数据是劳动密集型、效率低下且容易出错的。因此,需要一种高通量的作物均匀度监测方法。近年来,基于无人机的遥感技术已成为监测作物生长的重要工具,具有操作简便、快速灵活、高效率和高空间分辨率的优势。基于无人机的作物表型监测和图像处理技术可以快速获取高通量的小麦田数据,并在农业领域得到广泛应用。无人机可以配备多种传感器(如高光谱相机和rgb相机),快速获取田间作物信息。高光谱相机具有丰富的光谱信息,在小麦覆盖度、叶绿素含量和叶面积指数等方面具有良好的监测效果。很多学者使用支持向量回归、随机森林、反向传播神经网络和偏最小二乘回归(plsr)算法等机器学习方法来监测农艺参数。ma比较了三种模型的lai预测效果,发现后向传播神经网络的效果优于其他模型。rgb相机具有高空间分辨率、低成本和简单的数据处理。它被用于作物高度数据提取,并取得了令人满意的结果。volpato在不同时期提取了小麦植株高度数据,并发现每个时期提取的植株高度参数与地面测量值有良好的相关性。然而,当前并没有基于无人机监测小麦叶面积指数、叶绿素、冠层高度均匀度的研究。
5、生命存在于不同的层次,如分子、细胞、个体、种群和群落层次,每个层次都展示出独特的时空特性。种群分布的均匀度指的是种群层次上在一定空间范围内个体的分布情况。然而,由于先前的研究主要关注种群个体的非随机分布,均匀度通常被狭义地定义为个体分布与随机分布之间的偏差。在农业中,均匀度一直是一个模糊的概念。现有的作物均匀度概念是片面的,通常用于指示作物的空间分布,例如缺苗或垄行作物的简单统计,而没有探究叶绿素、叶面积指数、冠层覆盖度和植株高度(冠层高度)等生长指标的均匀度。
6、综上所述,现有的均匀度评估方法在适用性方面相对较弱,主要适用于作物的单个生长阶段,亟需开发一种适用于全生育期的田间均匀度评估方法。
技术实现思路
1、为解决上述技术问题,本专利技术提供了一种小麦均匀度的监测方法。
2、一种小麦均匀度的监测方法,所述小麦均匀度包括叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度中的任一种或几种;
3、所述监测方法包括以下步骤:
4、(1)采集小麦高光谱数据和rgb数据;
5、(2)测量建模用的叶面积指数、叶绿素相对含量;
6、(3)利用(2)测得的叶面积指数建立叶面积指数与高光谱数据的反向传播神经网络模型,得到所有叶面积指数,计算叶面积指数的均匀度;
7、利用(2)测得的叶绿素相对含量建立叶绿素相对含量与高光谱数据的反向传播神经网络模型;得到叶绿素相对含量,计算叶绿素相对含量的均匀度;
8、利用rgb数据提取冠层高度,计算冠层高度的均匀度;
9、利用高光谱数据提取植被覆盖度,计算植被覆盖度的均匀度;
10、优选的,所述叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度均包括平均值、方差、变异系数、香农熵、pielou指数、alatalo指数中任一种或几种;
11、植被覆盖度的均匀度包括被覆盖度均匀性指数、植被覆盖度中的任一种或几种;
12、优选的,方差、变异系数、香农熵、pielou指数、a本文档来自技高网...
【技术保护点】
1.一种小麦均匀度的监测方法,其特征在于,所述小麦均匀度包括叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度中的任一种或几种;
2.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,所述叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度均包括平均值、方差、变异系数、香农熵、Pielou指数、Alatalo指数中任一种或几种;
3.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,方差、变异系数、香农熵、Pielou指数、Alatalo指数的计算公式分别见公式一、公式二、公式三、公式四、公式五;
4.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,将得到的叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度与小麦产量进行相关性分析,得到小麦均匀度与产量的关系;
5.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,获取高光谱数据时,图像在30米的飞行高度下采集,前向和横向重叠度分别为50%和30%,空间分辨率为3厘米。
7.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用Pielou指数分析叶面积指数均匀度。
8.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用Pielou指数分析叶绿素相对含量均匀度。
9.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用平均值分析冠层高度均匀度。
10.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用CU指数分析植被覆盖度均匀度。
...【技术特征摘要】
1.一种小麦均匀度的监测方法,其特征在于,所述小麦均匀度包括叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度中的任一种或几种;
2.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,所述叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度均包括平均值、方差、变异系数、香农熵、pielou指数、alatalo指数中任一种或几种;
3.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,方差、变异系数、香农熵、pielou指数、alatalo指数的计算公式分别见公式一、公式二、公式三、公式四、公式五;
4.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,将得到的叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度与小麦产量进行相关性分析,得到小麦均匀度与产量的...
【专利技术属性】
技术研发人员:杨艳东,穆悦,李庆,王恒通,姜东,二宫正士,
申请(专利权)人:南京农业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。